SIMULACIÓN ESTOCÁSTICA, PREDICCIÓN DE VARIABLES METEOROLÓGICAS EN LA CIUDAD DE ILO
|
|
- David Piñeiro Ortiz
- hace 7 años
- Vistas:
Transcripción
1 SIMULACIÓN ESTOCÁSTICA, PREDICCIÓN DE VARIABLES METEOROLÓGICAS EN LA CIUDAD DE ILO César Félix Mamani Rolando Perca Rossana Juárez Universidad Nacional de San Agustín de Arequipa, Departamento Académico de Física RESUMEN: Este trabajo se realizó con la finalidad de pronosticar el comportamiento temporal de las variables meteorológicas: velocidades de viento, radiación solar, temperatura y humedad en la ciudad de ILO; para así poder hacer uso de los potenciales: eólico, térmico y solar en la construcción de dispositivos que utilicen estas energías; así como también en el análisis de difusión de contaminantes gaseosos atmosféricos. Para ello fue necesario analizar las distribuciones temporales de estas variables y realizar un análisis estadístico de predicción estocástica de series temporales. Siguiendo la metodología BOX-JENKINS, se realizaron transformaciones Box-Cox para los datos de distribución de las variables meteorológicas convirtiendo a distribuciones de ruido blanco, esto es, estacionarias y de varianza aproximadamente cero. Luego sobre las series transformadas se obtuvo las gráficas de FAS (función de auto correlación simple) y FAP (función de auto correlación parcial), determinando los modelos predictivos estadísticos en ecuaciones de diferencias. Este trabajo se realizó con ayuda del software SPSS 12.0, [1], [3]. Palabras-clave: modelos arima, variables meteorológicas. 1.-INTRODUCCION La ciudad de Ilo se encuentra ubicada en la costa sur del Perú a 1250 Km de Lima y 200 Km. al norte de la frontera con Chile. Uno de los principales problemas ambientales en la ciudad es la contaminación atmosférica. El monitoreo continuo tiene como finalidad medir las concentraciones de contaminantes provenientes de la industria minero metalúrgica tal como el SO 2, estos datos obtenidos forman parte de la base de datos de contaminantes atmosféricos, los mismos que se están utilizando en la elaboración del estudio de calidad del aire en el Gesta Zonal con el fin de mejorar los fenómenos de contaminación atmosférica en Ilo. El equipo meteorológico es indispensable para identificar y visualizar panorámicamente la procedencia y ocurrencia de la contaminación atmosférica. Los parámetros meteorológicos son medidos a través de sensores que miden la velocidad y dirección del viento (anemómetro), humedad relativa y temperatura (Termo_Higrómetro), y radiación solar (piranómetro), los cuales se encuentran instalados en una torre de 10 metros de altura. Los datos meteorológicos se generan continuamente y son grabados en un datalogger. Con el propósito de identificar la asociación e influencia de las variables meteorológicas en el comportamiento de los fenómenos difusivos de contaminantes atmosféricos en la ciudad de Ilo se realizó un estudio de generación de modelos de predicción estadística de las variables meteorológicas: velocidad de viento, radiación solar, humedad y temperatura, [9]. Se utilizó la metodología de Box- Jenkins para obtener modelos ARIMA univariados de las series temporales consideradas. Se establecen funciones de correlación cruzada (FCC) entre las series de residuales que permitan establecer pesos y retrasos entre las variables, para una posterior modelación mediante procesos ARIMA multivariantes que incluyen las variables meteorológicas antes mencionadas. El periodo de tiempo estudiado fue el mes de enero del 2005[ Rev. Esp. Salud Publica v.73 n.1]. 2.- DESCRIPCIÓN: VARIABLES METEOROLOGICAS a.-velocidad de viento Los datos de velocidad de viento fueron calculados como promedios aritméticos de las velocidades medidas en lapsos de 10 minutos, se utilizó datos de una estación sinóptica meteorológica (ESIME) con unidad de medición en m/s, [5].
2 b.-temperatura Temperatura ambiente promedio de lapsos de 10 minutos (se toman muestras cada minuto), su unidad de medición es C. c.-humedad Los datos de humedad relativa fueron el promedio de las mediciones realizadas en un intervalo de 10 minutos (se toman muestras cada minuto), su unidad de medición es en %. d.-radiación solar La radiación solar (global) son los valores promedio medidos en lapsos de 10 minutos (se toman mediciones cada minuto), su unidad de medición es W/m² TECNICAS DE PREDICCION ESTADISTICA: MODELOS ARIMA a) Proceso Autorregresivo de Media Móvil ARMA (p,q) Un proceso [X t ] es autorregresivo de media móvil si: X t - Ø 1 X t Ø p X t-p = a t - θ 1 a t-1 - θ 2 a t θ q a t-q + c, (1) donde: [a t ] es un proceso de ruido blanco, a t es independiente de las medidas de la variable de interés, X t. Utilizando los operadores de retardo: la ecuación (1) puede ser escrita de forma más sintética: Ø p (B) = 1- Ø 1 B - - Ø p B p Θ q (B) = 1- θ 1 B -. - θ q B p, (2a) (2b) Ø p (B) X t = Θ q (B) a t + c (3) Existen también los procesos: Autoregresivo (AR(p)), para el cual el operador Θ q (B) es nulo y el de Media Móvil (MA(q)), para el cual el operador Ø p (B) es nulo. b) Proceso Autorregresivo Integrado de Media Móvil ARIMA (p,d,q) Un proceso [X t ] es autorregresivo integrado de media móvil de orden (p,d,q) si: (1- Ø 1 B - Ø p B p ) d X t = (1- θ 1 B-... -θ q B q )a t + c, (4) donde: [a t ] es un proceso de ruido blanco y es el operador diferencia: X t = (1-B) X t = X t - X t 1,, d X t = (1-B ) d X t = (1-B) d-1 (X t - X t-1 ), (5) equivalentemente: donde: Ø p (B) W t = θ q (B) a t + c, (6) W t = d X t (7) Luego el proceso ARIMA (p,d,q) para X t es equivalente al proceso ARMA(p,q) para W t. Si el proceso [W t ] es estacionario el proceso ARIMA para X t quedará caracterizado por la FAS y la FAP del proceso [W t ] y por d, el orden de diferenciación del proceso original [X t ], [4]. 3.-PROCEDIMIENTO: Nos proponemos hacer una predicción certera de las variables meteorológicas: velocidad de viento, radiación solar, humedad y temperatura, [7]. Así, en base al análisis de las distribuciones de series temporales de las cuatro variables meteorológicas encontraremos modelos predictivos estadísticos los
3 VELOCIDAD-VIENTO(m/s) cuales serán validados en primera instancia y luego realizaremos las predicciones. Estos modelos toman en cuenta la historia detallada de los datos paso a paso (bajo operadores de diferencia), este es el detalle que diferencia de otros métodos de predicción y que hace de este el más confiable ANÁLISIS DE LA SERIE TEMPORAL VELOCIDAD DE VIENTO Se analizó 744 datos de velocidades de viento, [2], [6], correspondientes al mes de enero de 2005 que corresponden a la ciudad de Ilo. a. ANÁLISIS DE ESTABILIDAD DE VARIANZA Haciendo uso del software SPSS, graficamos las velocidades de viento en función al tiempo, Fig. 1, en este caso promedios horarios, se obtuvo la siguiente gráfica: :00:00 13:00:00 23:00:00 0:00 1:00 05:00:00 15:00:00 0:00 1:00 2:00 07:00:00 :00 03:00:00 13:00:00 23:00:00 0:00 1:00 05:00:00 15:00:00 0:00 HORA Figura 1. Gráfica de la serie temporal de promedios horarios observada (mes enero-2005) Al observar la gráfica; esta presenta un comportamiento estacionario debido a que no existe ningún tipo de pauta regular de comportamiento periódico que justifique la estacionalidad, [8], [13]. Seguidamente mostramos la prueba de homogeneidad de varianza, [4], obtuvimos un estadístico de Levene de 2,093 correspondendiente a un valor de significancia = 02 < 5 (intervalo de confianza) por tanto se rechaza la hipótesis nula de que la varianza sea constante en el tiempo.en consecuencia nuestra serie necesita de una transformación para este caso de la transformación Box- Cox, según la ecuación: Y ( ) t Y t 1 ; 0 ln Yt 0 Luego de una serie de transformaciones, obteniendo λ = 0,5 del primer caso de la ecuación (8) y bajo una prueba adicional de homocedasticidad de Levene, obtenemos la Tabla 1: (8) Tabla 1 Prueba de Homogeneidad de Varianza Estadístico de Levene Significancia VIENTO Basado en media 1,237 0,205 Observemos en la Tabla 1, que la significancia = > 0,05 con lo cual la transformación aplicada es la correcta es decir se proseguirá el análisis sobre esta serie transformada. b. ANÁLISIS DE ESTABILIDAD EN MEDIA Y DETERMINACION DEL ORDEN p DEL MODELO Una inspección en la gráfica de la serie evidencia que la esta no muestra ningún tipo de tendencia creciente o decreciente. Por tanto una tentativa sería suponer que la serie es estable en media. Para
4 FAS FAP confirmar esto se recurre a las gráficas de autocorrelación simple y parcial graficadas sobre los 100 primeros retardos y se obtuvo la Fig. 2: Grafica de la FAS Grafica de la FAP Limite Confianza Confidence Limits de corre Coefficient NUMERO DE RETARDOS NUMERO DE RETARDOS Figura 2 Funciones de autocorrelación simple y parcial para datos de velocidad de viento Como la serie transformada es estable en media y en varianza; y para estabilizar la media no se recurrió a ningún tipo de diferencia regular, entonces se podría tratar de un modelo ARIMA (p,q). Pero, para confirmar esto recurriremos a la estimación de la FAP (función de autocorrelacion parcial), Fig. 2, la cual confirma que existen solo dos coeficientes no nulos fuera del intervalo de confianza por tanto p=2 y según el fundamento teórico es factible proponer un modelo AR (p). La representación de la FAP muestra que los p = 2 primeros coeficientes son no nulos y el resto cero. Y la FAS muestra una mezcla de exponenciales y sinusoidales. Por tanto, una primera tentativa podría ser suponer un modelo AR (2). c. AJUSTE DEL MODELO AR (2) Una vez deducido el modelo se procede a ajustarlo a la serie transformada. Realizando el ajuste se generan 744 datos nuevos con sus respectivos intervalos de confianza :00:00 12:00:00 10:00:00 08:00:00 06:00:00 04:00:00 02:00:00 00:00:00 00:00:00 :00 20:00:00 18:00:00 :00 VIENTO Fit (VIENTO1)de AR(2) 95% LCL 95% UCL HORA Figura 3 Ajuste del modelo AR(2), para el ultimo día de enero 2005 Como se podrá observar los datos generados se aproximan a los datos reales y se encuentran dentro del intervalo de confianza. En la Fig. 3; LCL es el límite inferior, UCL es el límite superior.fif (viento1) es la serie estimada mediante el modelo y viento es la serie observada. Observemos la excelente aproximación. d. DETERMINACIÓN DE LOS PARÁMETROS PARA EL MODELO AR(2) Un proceso autorregresivo AR (p) es gobernado por la siguiente ecuación en diferencias: Y Ø Y... Y E. (9) t 1 t 1 Øp t p t En nuestro caso resultó: Yt 1,211 Yt 1 0, 303 Yt 2 E (10) t
5 RADIAC(w/m2) e. PREDICCIÓN CON EL MODELO AR (2) Una vez que se ha validado el modelo de ajuste se procede a predecir datos a tiempo futuro, pero para nuestro caso debido a que só lo hemos trabajado con datos de un mes se pronosticará datos para el primer día del mes de febrero. Por tanto la gráfica para el tiempo de predicción es la siguiente. 5,00 FIF_2 LCL_2 UCL_2 VIENTO3 4,00 3,00 2,00 1,00 :00 0:00:00 2:00:00 6:00:00 5:00:00 4:00:00 3:00:00 7:00:00 :00 8:00:00 10:00:00 1:00 12:00:00 13:00:00 14:00:00 15:00:00 :00 :00 1:00 18:00:00 20:00:00 23:00:00 :00 2:00 hora Figura 4. Predicción para el primer día del mes de febrero ANÁLISIS DE LA SERIE TEMPORAL RADIACIÓN SOLAR Se analizó sobre los 744 datos de radiación solar que corresponden a la ciudad de Ilo. a. ANÁLISIS DE ESTABILIDAD DE VARIANZA La Fig. 5, muestra los datos de radiación solar en promedios horarios para el mes de enero Dia Figura 5 Serie de datos de radiación solar (mes de enero 2005) Los datos presentan un comportamiento estacional debido a que existe un tipo de pauta regular de comportamiento periódico ya que en un periodo de un día se repite el mismo pico, [10]. Podemos decir entonces, que su varianza no es constante, pero para comprobar esta hipótesis recurriremos a la prueba de Levene, esta otorga un valor de significancia = 0,000 < 5 (intervalo de confianza) por tanto se rechaza la hipótesis nula de que la varianza sea constante en el tiempo. En consecuencia nuestra serie necesita de una transformación, para este caso de la transformación Box-Cox. Según la ecuación (8) calculamos el valor de λ y después de una serie de transformaciones obtuvimos λ = 0,3 La Tabla 2 muestra la prueba de homocedasticidad de la serie transformada, con significancia = 0.977>5 con lo cual la transformación aplicada es aceptable. Tabla 2 Prueba de Homogeneidad de Varianza Estadístico de Levene Significancia RAD1 Basado en media
6 FAS FAS FAS b. ANÁLISIS DE ESTABILIDAD EN MEDIA La serie no muestra tendencia creciente ni decreciente, es de suponer que sea estable en media. Veamos la gráfica de autocorrelación para los 100 primeros retardos, Fig. 6. Se muestra efectivamente que no hay tendencia creciente ni decreciente, es necesario al menos una diferencia estacional para estabilizar la serie rad1 y también una diferencia regular para eliminar la estructura positiva de la parte regular. Grafica de la Fas NUMERO DE RETARDOS Figura 6. Autocorrelación simple para la serie temporal de radiación solar Con la ayuda del SPSS, en la opción crear series temporales se hizo toda esta operación y también para comprobar la estabilización de la parte estacional. Presentamos la gráfica de la FAS pero únicamente para intervalos de comportamiento periódico, es decir solo para los retardos estacionales. Fig. 7. Grafica de Diff (RAD1_1,1,24) Grafica de SDIFF(RAD1_1,1,24) NUMERO DE RETARDOS NUMERO DE RETARDOS Figura 7. FAS para retardos estacionales y regulares de la serie temporal de radiación solar. Los coeficientes autocorrelativos caen dentro de la banda de confianza, solo el primer coeficiente está fuera, pero esto no implica que la serie necesite de otra diferencia estacional. Por tanto, con esto queda determinado automáticamente los órdenes tanto de diferencia regular como de diferencia estacional las cuales son d=1 y D=1 en consecuencia estamos ya hablando de un modelo ARIMA (p1q)(p1q) 24. c. DETERMINACIÓN DE LOS ORDENES p y q DEL MODELO ARIMA(p1q)(P1Q) 24 Como la serie transformada es estable en media y en varianza; para estabilizar la media no se recurrió a ningún tipo de diferencia regular, entonces se podría tratar de un modelo ARIMA (p,q).pero para confirmar esto recurrimos a la estimación de la FAP, Fig. 8
7 FAS FAS PARCIAL FAS FAS PARCIAL Grafica de FAS de diff de rad1 RAD Numero de retardos Transforms: difference (1), seasonal difference (1, period 24) Numero de retardos Transforms: difference (1), seasonal difference (1, period 24) Figura 8 FAP para retardos estacionales y regulares de la serie temporal de radiación sola. Pocos retardos. Según el gráfico de la FAP observamos que todos los coeficientes caen dentro de la banda de confianza por tanto una tentativa seria suponer que p = 0 y q=0. d. DETERMINACIÓN DE P Y Q DEL MODELO ARIMA (p1q)(p1q) 24 Como la serie transformada es estable en media y en varianza, para estabilizar la media no se recurrió a ningún tipo de diferencia regular entonces se podría tratar de un modelo ARIMA (p,q). Pero para confirmar esto recurriremos a la estimación de la FAP, Fig. 9 RAD1 RAD Numero de retardos Transforms: difference (1), seasonal difference (1, period 24) Numero de retardos Transforms: difference (1), seasonal difference (1, period 24) Figura 9 FAP para retardos estacionales y regulares de la serie temporal de radiación solar. Muchos retardos Podemos observar que Q = 1 y P = 0. En consecuencia estamos ya deduciendo para radiación solar el modelo: ARIMA (010)(011) 24. e. AJUSTE DEL MODELO ARIMA (010)(011) 24 El ajuste correspondiente para el último día de enero, se muestra en la Fig. 10. Como se puede observar los datos generados se aproximan a los datos reales y se encuentran dentro del intervalo de confianza. Aquí, LCL es el límite inferior, UCL es el límite superior.fif es la serie estimada mediante el modelo y RAD1 es la serie transformada. El resultado es muy bueno. El modelo a utilizar es el autoregresivo integrado de media móvil: En nuestro caso el modelo es: Φ P (B s ) Ø p (B) (1- B) d (1- B s ) D X t = Θ Q (B s )θ q (B) a t + c (11) (1- B) (1- B 24 ) X t = ( B 24 ) a t (12)
8 temperatura(ºc) RAD1 Fit Arima 0 95% LCL % UCL DIA/ HORA Figura 10. Ajuste para el último día de enero del modelo ARIMA (010)(011) 24 f. PREDICCIÓN CON EL MODELO ARIMA(010)(011) 24 Una vez que se ha logrado validar el modelo de ajuste se procede a la predicción para el primer día de febrero del año 2005, esta predicción lo mostraremos en la Fig RAD1 Fit DE ARIMA 95% LCL 95% UCL DIA/HORA Figura. 11. Predicción para el primer día del mes de febrero 2005 A continuación mostramos los resultados de ajuste y predicción para distribuciones de temperatura y humedad del mismo periodo de medición para las anteriores variables ANÁLISIS DE LA SERIE TEMPORAL TEMPERATURA a. ANÁLISIS DE ESTABILIDAD DE VARIANZA 26,00 24,00 22,00 20,00 18,00 16, :00 10:00 7:00 4: :00 4:00 7:00 10: :00 10:00 7:00 4: :00 4:00 7:00 10:00 1 Tiempo (horas) Figura 12. Serie de datos de radiación solar, promedios horarios (mes de enero 2005) Valor de significancia sin transformación = 01 < 5 (intervalo de confianza) por tanto se rechaza la hipótesis nula de que la varianza sea constante en el tiempo. Valor de significancia luego de las transformaciones = 0,623 > 0,05 con λ = 0,5.
9 ACF ACF parcial b. ANÁLISIS DE ESTABILIDAD EN MEDIA Y DETERMINACION DE LOS ORDENES P DEL MODELO temprtra1 temprtra1 1,0 0,5 Límites confidenciales Límite inferior de confianza 1,0 Límites confidenciales Límite inferior de confianza 0,5 0,0 0,0-0,5-0,5-1,0-1, No de retardos No de retardos Figura 13. Funciones de autocorrelación de datos de Temperatura, enero 2005 c. AJUSTE DEL MODELO AR (2) Modelo AR (2). 0,22 temprtra1 FIT_1 LCL_1 UCL_1 0,21 0,20 0,19 :00 2:00:00 4:00:00 3:00:00 5:00:00 7:00:00 6:00:00 8:00:00 1:00 10:00:00 :00 12:00:00 14:00:00 13:00:00 15:00:00 :00 :00 18:00:00 20:00:00 1:00 2:00 0:00:00 23:00:00 :00 tiempo(horas) Figura 14. Ajuste para el último día de enero del modelo AR(2), para temperatura. Buena aproximación observar las líneas azul (datos reales) y verde (datos ajustados). d. DETERMINACIÓN DE LOS PARÁMETROS PARA EL MODELO AR (2) Yt 10,95Y t 1 10, 686Yt 2 E (13) t e. PREDICCIÓN CON EL MODELO AR (2) FIT_2 LCL_2 UCL_2 0,23 0,22 0,21 0,20 2:00:00 :00 3:00:00 6:00:00 5:00:00 4:00:00 12:00:00 1:00 10:00:00 :00 8:00:00 7:00:00 15:00:00 14:00:00 13:00:00 2:00 20:00:00 1:00 18:00:00 :00 :00 0:00:00 23:00:00 :00 TIEMPO(horas) Figura 15. Predicción para el primer día del mes de febrero 2005
10 ACF ACF parcial HUMEDAD(%) ANÁLISIS DE LA SERIE TEMPORAL HUMEDAD a. ANÁLISIS DE ESTABILIDAD DE VARIANZA 100,00 90,00 80,00 70,00 60,00 50,00 TIEMPO(horas) Figura 16. Serie de datos de humedad, promedios horarios (mes de enero 2005) Valor de significancia sin transformación = > 5 (intervalo de confianza) por tanto se acepta la hipótesis nula de que la varianza sea constante en el tiempo. No necesitamos de transformaciones. b. ANÁLISIS DE ESTABILIDAD EN MEDIA y DETERMINACION DE LOS ORDENES P DEL MODELO HUMEDAD HUMEDAD 1,0 Límites confidenciales Límite inferior de confianza 1,0 Límites confidenciales 0,5 Límite inferior de confianza 0,5 0,0 0,0-0,5-0,5-1,0-1, No de retardos No de retardos Figura17. Funciones de autocorrelación de datos de Temperatura, enero 2005 c. AJUSTE DEL MODELO AR (2) Modelo AR (2). 90,00 HUMEDAD FIT_1 LCL_1 UCL_1 80,00 70,00 60,00 50,00 2:003:00 4:00 5:006:00 7:00 8:00 14:00 13:00 12: :00 15:00 18: :00 23:00 0:00 TIEMPO(horas) Figura 18. Ajuste para el último día de enero del modelo AR(2), para temperatura.
11 d. DETERMINACIÓN DE LOS PARÁMETROS PARA EL MODELO AR (2) Yt 11,949Y t 1 11, 735Yt 2 E (14) t e. PREDICCIÓN CON EL MODELO AR (2) 100,00 FIT_2 LCL_2 UCL_2 90,00 80,00 70,00 60,00 2:003:00 13: :00 8:00 7:00 5:006:00 4:00 12:00 15:00 14:00 18:00 20: :00 0:00 tiempo(horas) 4. CONCLUSIONES Y ANÁLISIS Figura 19. Predicción para el primer día del mes de febrero Mediante la Metodología Box Jenkins se ha logrado construir un modelo matemático para lo cual se ha ajustado los datos reales observados de velocidades de viento, radiación solar, temperatura y humedad. 2. Comparando los datos reales y los generados por el modelo estos se encuentran dentro del intervalo de 95% confianza. 3. Los residuos de dicho ajuste se aproximan a un proceso de ruido blanco cuya carga media es cero, su varianza es constante y sigue una distribución normal. 4. El modelo matemático AR (2), Proceso Autorregresivo, está preparado para posteriores trabajos de predicción de un campo de velocidades de viento. 5. En cuanto al pronóstico del campo de velocidades de viento nos pronostica velocidades no muy precisas pero que caen dentro del rango de intervalo de confianza. Esto debido a que los datos de velocidad varían mucho con respecto al tiempo y para una mejor predicción utilizando estos modelos, se precisa un análisis con mayor cantidad de datos, [11], [12]. 6. Para el caso de radiación solar nos hemos encontrado con un caso de serie temporal estacional para la cual un ajuste óptimo fue la del modelo ARIMA, con lo cual los datos se ajustaron a dicho modelo muy bien. 7. La capacidad de predicción del modelo ARIMA para radiación solar se hizo para un día. Por lo tanto para comprobar que dichos datos predichos fueron correctos se comparó con datos conocidos del mes de febrero los cuales se aproximaron mucho a los predichos. 8. En cuanto al análisis de las series temperatura y humedad para ambas se logró un modelo AR (2) y los residuos se aproximan a un proceso de ruido blanco con media cero, varianza constante y distribución normal. 9. Así se logró las predicciones para un día es decir se generó 24 datos nuevos que corresponden al mes posterior de enero tanto de humedad como de temperatura. 10. Cabe concluir que de todas las series temporales estudiadas en este proyecto solo en el caso de la humedad no se realizó ningún tipo de transformación matemática.
12 REFERENCIAS BIBLIOGRÁFICAS [1]. M. Ferrán Arnaz SPSS para Windows, programación y análisis estadístico, Ed. McGraw-Hill, [2]. D.R. Inglis Wind Power and others Energy Options, University Michigan Press, [3]. L. Lizasoain, SPSS para Windows, Eds, Paraninfo, 1999 [4]. W. Medenhall. Probabilidad y Estadística, Prentice hall Hispanoamérica, S.A [5]. E.H. Lysen, Introducción to Wind Energy. Publication SWD 82-1, The Netherlands, [6]. I. Jacobs R. Perca, Distribución de velocidades de viento en Arequipa, 1994 [7]. R. Perca, F. Avendaño, Modelos teóricos para tratamiento de datos meteorológicos, [8]. United Nations Small-Scale Wind Energy Conversión Systems New York, [9]. R.G. Barry, Atmosphere, Weather & Climate, Methuen & Co Ltd [10]. D.H. Mc Intosh, Essentials of Meteorology, Wykeham Publications (London) [11]. Stelios Pashardes, Stalistical Análisis of wind Speed and Direction in Cyprus Solar Energy, Vol [12]. P. Street, Transition to alternative energy supply technologies, the case of windpower, Energy Policy Vol [13]. S. Connors, Informing decision makers and identifying niche opportunities for windpowerenergy Policy, Vol
Estadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960
ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 Verón, Juan Antonio* ; Herrera, Carlos Gabriel*; Rodríguez, Norma Leonor** * Facultad de Tecnología y Ciencias Aplicada de la UNCa.
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesAnálisis de datos del Aguacate Hass (presentación caja 10 kilogramos)
Análisis de datos del Aguacate Hass (presentación caja 10 kilogramos) Alberto Contreras Cristán, Miguel Ángel Chong Rodríguez. Departamento de Probabilidad y Estadística Instituto de Investigaciones en
Más detallesINFORME MENSUAL. Circuito Mintzita 470 Fraccionamiento Manantiales (443)
Originado por: INFORME MENSUAL ELABORADO POR: Dirección de Medio Ambiente y Sustentabilidad FECHA: 12 de Abril 2016 ASUNTO: Programa Monitoreo del Aire Morelia Michoacán a 12 de Abril 2016 Como resultado
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
Más detallesPrograma Estatal de Monitoreo Municipal Estudio en Col. Mitras Sur, Monterrey, Nuevo León.
Programa Estatal de Monitoreo Municipal Estudio en Col. Mitras Sur, Monterrey, Nuevo León. El (SIMA) tiene como objetivo evaluar la calidad del aire monitoreando las concentraciones de los contaminantes
Más detallesSistema de Coordinación Operacional Ambiental. Gabriel Arévalo Ma de los Ángeles Hanne Leandro Llanza Alejandra Alvarez Luis Felipe Mujica
Sistema de Coordinación Operacional Ambiental Gabriel Arévalo Ma de los Ángeles Hanne Leandro Llanza Alejandra Alvarez Luis Felipe Mujica Problemática - Soluciones Contaminación en Centros Mineros Problemática:
Más detallesESTUDIO DE LA TRANSFERENCIA DE CALOR DE UN PISO RADIANTE HIDRONICO SOLAR A UN ESPACIO
ESTUDIO DE LA TRANSFERENCIA DE CALOR DE UN PISO RADIANTE HIDRONICO SOLAR A UN ESPACIO Oscar E. Rodea García y Manuel D. Gordon Sánchez racso_rogo@msn.com, mgs@correo.azc.uam.mx Universidad Autónoma Metropolitana
Más detallesBoletín informativo sobre la Calidad del Aire
Boletín informativo sobre la Calidad del Aire Ayuntamiento de Valladolid BICA--LE Página 1 de 7 Resumen de los datos obtenidos por la Red de Vigilancia de la Calidad del Aire de Valladolid desde las 0
Más detallesIntroducción a las Observaciones Meteorológicas
Introducción a las Observaciones Meteorológicas Climatología Práctico 2013 Natalia Gil Que fenómenos atmosféricos podemos observar...? Tornados Nubes rollo Frentes En que consiste la observación meteorológica?
Más detallesEL TEOREMA DEL CAMBIO DE BASE DE LOGARITMOS: UNA
EL TEOREMA DEL CAMBIO DE BASE DE LOGARITMOS: UNA NOTA DE CLASE Juan Gabriel Molina Zavaleta, Apolo Castañeda Alonso, Alejandro Rosas Mendoza jmolinaz@ipn.mx, alerosas@ipn.mx, apcastane@gmail.com Instituto
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesLey de enfriamiento de un termómetro. Análisis gráfico de resultados experimentales.
Ley de enfriamiento de un termómetro. Análisis gráfico de resultados experimentales. J Falco, I Franceschelli y M Maro jfalco11@hotmail.com, ignabj@hotmail.com, elpombero@mixmail.com Introducción a la
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesSERIES TEMPORALES. Isabel Molina Peralta. Departamento de Estadística Universidad Carlos III de Madrid. Roland Fried
SERIES TEMPORALES Isabel Molina Peralta Departamento de Estadística Universidad Carlos III de Madrid Roland Fried Department of Statistics Technique University of Dormund 1 CONTENIDO 0. Introducción. 1.
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesSound Meteorological Environmental Correlation. Información técnica
Sound Meteorological Environmental Correlation Información técnica SOME-ECO SOME-ECO SOME-ECO (Sound Meteorological Environmental Correlation) es un proyecto de investigación pionero liderado por ICR,
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 5 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesAnálisis de series de tiempo univariante aplicando metodología de Box-Jenkins para la predicción de ozono en la ciudad de Cali, Colombia
Revista Facultad de Ingeniería N. o 39. pp. 79-88. Marzo, 2007 Análisis de series de tiempo univariante aplicando metodología de Box-Jenkins para la predicción de ozono en la ciudad de Cali, Colombia Mauricio
Más detallesINFORME PRELIMINAR DE RUIDO AMBIENTAL (LINEA BASE) PROYECTO CANOAS
INFORME PRELIMINAR DE RUIDO (LINEA BASE) PROYECTO CANOAS BOGOTÁ D. C., ABRIL DE 2010 Marzo de 2010 Página 2 de 9 1. INTRODUCCION El presente es el informe preliminar concerniente a la evaluación de ruido
Más detallesUniversidad de Oriente Núcleo de Bolívar Unidad de cursos básicos Matemáticas IV. María Palma Roselvis Flores
Universidad de Oriente Núcleo de Bolívar Unidad de cursos básicos Matemáticas IV Profesor: Cristian Castillo Bachilleres: Yessica Flores María Palma Roselvis Flores Ciudad Bolívar; Marzo de 2010 Movimiento
Más detallesReporte de la Unidad Móvil
Reporte de la Unidad Móvil Adquisición de Monitoreo de Refacciones Ambiental y Consumibles para Red de Monitoreo Atmosférico Estudio del Monitoreo Atmosférico Enero 2010 en la Col. Fontanares en Monterrey,
Más detallesTrabajo Práctico n 2. Robotización de un Puente Grúa. Presentación. Restricciones. Curso 2011
Trabajo Práctico n 2 Robotización de un Puente Grúa Presentación Este problema consiste en desarrollar un sistema de control automático que permita robotizar la operación de un puente grúa para la carga
Más detallesDEFINICIONES Y CONCEPTOS (SISTEMAS DE PERCEPCIÓN - DTE) Curso
DEFINICIONES Y CONCEPTOS (SISTEMAS DE PERCEPCIÓN - DTE) Curso 2009-10 1. Generalidades Instrumentación: En general la instrumentación comprende todas las técnicas, equipos y metodología relacionados con
Más detallesEvaluación del impacto económico en el sector energético dado por los embalses para riego existentes en la cuenca de aporte a Rincón del Bonete
Trabajo de fin del curso SimSEE 2, Grupo 1, pág 1/9 Evaluación del impacto económico en el sector energético dado por los embalses para riego existentes en la cuenca de aporte a Rincón del Bonete Magdalena
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Descriptiva Para Psicólogos (EST-225)
Más detallesEXPERIENCIA EN LAS PRUEBAS DE DESEMPEÑO DEL PARQUE EÓLICO LA VENTA II.
EXPERIENCIA EN LAS PRUEBAS DE DESEMPEÑO DEL PARQUE EÓLICO LA VENTA II. Ing. José Daniel Pérez Filoteo Oficina de Sistemas Térmicos e Hidráulicos LAPEM CONTENIDO INTRODUCCION OBJETIVO DE LAS PRUEBAS DE
Más detallesESTADÍSTICA SEMANA 3
ESTADÍSTICA SEMANA 3 ÍNDICE MEDIDAS DESCRIPTIVAS... 3 APRENDIZAJES ESPERADOS... 3 DEFINICIÓN MEDIDA DESCRIPTIVA... 3 MEDIDAS DE POSICIÓN... 3 MEDIDAS DE TENDENCIA CENTRAL... 4 MEDIA ARITMÉTICA O PROMEDIO...
Más detallesRED DE MONITOREO DE CALIDAD DEL AIRE DE BOGOTÁ - RMCAB SUBDIRECCIÓN DE CALIDAD DEL AIRE, AUDITIVA Y VISUAL
RED DE MONITOREO DE CALIDAD DEL AIRE DE BOGOTÁ - RMCAB SUBDIRECCIÓN DE CALIDAD DEL AIRE, AUDITIVA Y VISUAL septiembre 2011 RMCAB Qué es la RMCAB? La Red de Monitoreo de Calidad del Aire de Bogotá, es un
Más detallesTomamos como imagen de prueba la figura 4.17 en escala de grises. Figura Imagen de prueba.
4.3 PARÁMETRO DE ESCALADO Para el caso del parámetro de escalado se va a proceder de la siguiente forma. Partimos de una imagen de referencia (imagen A), a la cual se le aplican cambios de translación
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay una respuesta
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesUNIDAD 6. Estadística
Matemática UNIDAD 6. Estadística 2 Medio GUÍA N 1 MEDIDAS DE DISPERSIÓN PARA DATOS NO AGRUPADOS ACTIVIDAD Consideremos los siguientes conjuntos de valores referidos a las edades de los jugadores de dos
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detalles4. ANÁLISIS DE FUNCIONES DE UNA VARIABLE
Análisis de funciones de una variable 49 4. ANÁLISIS DE FUNCIONES DE UNA VARIABLE En esta sección realizaremos algunos ejercicios sobre el estudio de funciones de una variable: En la parte final hay ejercicios
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesTEMA 3: CINÉTICA HOMOGÉNEA. REACCIONES SIMPLES CQA-3/1
TEMA 3: CINÉTICA HOMOGÉNEA. REACCIONES SIMPLES CQA-3/1 CARACTERÍSTICAS DE LAS REACCIONES HOMOGÉNEAS Todas las sustancias reaccionantes se encuentran en una sola fase Velocidad de reacción: Objetivo principal
Más detallesTransformaciones de Box-Cox
Transformaciones de Box-Cox Resumen El procedimiento para las Transformaciones de Box-Cox es diseñado para determinar una transformación optima para Y mientras se estima un modelo de regresión lineal.
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesANALISIS EXPERIMENTAL PARA DETERMINAR LA CONDUCTIVIDAD TÉRMICA EN LA TIERRA VERTIDA
ANALISIS EXPERIMENTAL PARA DETERMINAR LA CONDUCTIVIDAD TÉRMICA EN LA TIERRA VERTIDA Dra. Yolanda G. Aranda Jimenez Arq. Quim Edgardo J. Suárez Dominguez MI 14 SIACOT SAN SALVADOR, EL SALVADOR Vista exterior,
Más detallesINFORME DEL MERCADO DE LA VIVIENDA
MADRID 2014-2 ( Segundo semestre 2014 ) INFORME DEL MERCADO DE LA VIVIENDA DAI DEPARTAMENTO DE ANÁLISIS E INFORMES DEL GRUPO TECNOCASA Índice 1. Objetivo del informe - metodología. 2. Evolución del precio
Más detallesCAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN. En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán
CAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán para realizar un análisis, la obtención del rendimiento esperado
Más detallesRelaciones entre la aparición de casos de malaria y el clima en Colombia.
Relaciones entre la aparición de casos de malaria y el clima en Colombia. Por: Jairo Alberto García Giraldo Ingeniero Geógrafo, Msc en Meteorología. Investigador Científico, Ideam. Se escucha a menudo
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesCAPITULO 6. Análisis Dimensional y Semejanza Dinámica
CAPITULO 6. Análisis Dimensional y Semejanza Dinámica Debido a que son pocos los flujos reales que pueden ser resueltos con exactitud sólo mediante métodos analíticos, el desarrollo de la mecánica de fluidos
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesCALIDAD DEL AIRE. Concentración media anual de NO 2 (año 2013) Concentración media anual de PM 2,5 (año 2013)
INDICE CALIDAD DEL AIRE LEGISLACION. EVOLUCIÓN DE LOS VALORES LÍMITES EN LA HOMOLOGACIÓN LÍMITES APLICABLES EN LA INSPECCIÓN EL PROBLEMA SOLUCIONES RESTO DEL MUNDO PRUEBAS EN ESPAÑA INDICE CALIDAD DEL
Más detallesTeoría de errores -Hitogramas
FÍSICA I Teoría de errores -Hitogramas Autores: Pablo Iván ikel - e-mail: pinikel@hotmail.com Ma. Florencia Kronberg - e-mail:sil_simba@hotmail.com Silvina Poncelas - e-mail:flo_kron@hotmail.com Introducción:
Más detallesReporte de Pobreza y Desigualdad DICIEMBRE 2015
Reporte de Pobreza y Desigualdad DICIEMBRE 2015 1 Reporte de Pobreza y Desigualdad - Diciembre 2015 Dirección responsable de la información estadística y contenidos: Dirección de Innovación en Métricas
Más detallesANALISIS DE LA SERIE TEMPORAL DEL IBEX-35 DESDE 1992 HASTA CONCLUSIONES PREDICTIVAS.
ANALISIS DE LA SERIE TEMPORAL DEL IBEX-35 DESDE 1992 HASTA 1997. CONCLUSIONES PREDICTIVAS. Introducción: En la presente comunicación nos proponemos analizar el comportamiento como serie temporal del índice
Más detallesCAPÍTULO VI RESULTADOS PESO (50 COMPRIMIDOS) INICIAL PESO (50 COMPRIMIDOS) FINAL PESO (50 COMPRIMIDOS) INICIAL PESO DEL PLATO
CAPÍTULO VI RESULTADOS 6.1. CÁLCULOS 6.1.1. PORCENTAJE DE FRIABILIDAD RANGO: No mayor 1 % FÓRMULA % = PESO (50 COMPRIMIDOS) INICIAL PESO (50 COMPRIMIDOS) FINAL PESO (50 COMPRIMIDOS) INICIAL PESO DEL PLATO
Más detallesINFORME TRIMESTRAL DE CALIDAD DEL AIRE CUENCA MATANZA-RIACHUELO PERÍODO SEPT - OCT NOV 2015
INFORME TRIMESTRAL DE CALIDAD DEL AIRE CUENCA MATANZA-RIACHUELO PERÍODO SEPT - OCT NOV 2015 Estructura del Informe Este informe de avance consta de tres partes: 1. Estado de la Red de Aire de la Ciudad
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesRD 436/2004 Predicción de Producción Energética en Parques Eólicos
RD 436/2004 Predicción de Producción Energética en Parques Eólicos Luis Muñoz, Garrad Hassan España APPA II Jornada Informativa Barcelona, Abril 2004 1045\BT\16\ 1 Quién es Garrad Hassan? Consultores líderes
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesINFORME MENSUAL ENERO 2016
Originado por: INFORME MENSUAL ENERO 2016 ELABORADO POR: Dirección de Medio Ambiente y Sustentabilidad FECHA: 10 de Febrero 2016 ASUNTO: Programa Monitoreo del Aire Morelia Michoacán a 10 de Febrero 2016
Más detallesCálculos matemáticos POR EL MÉTODO DE RADIACIONES
Cálculos matemáticos POR EL MÉTODO DE RADIACIONES Para realizar este cálculo es necesario contar con la hoja de registro que contiene las distancias y los azimuts de la poligonal datos recabados durante
Más detallesFuerzas de Rozamiento
Fuerzas de Rozamiento Universidad Nacional General San Martín. Escuela de Ciencia y Tecnología. Baldi, Romina romibaldi@hotmail.com Viale, Tatiana tatianaviale@hotmail.com Objetivos Estudio de las fuerzas
Más detallesEl modelo semiclásico de las propiedades de transporte: Objetivo
El modelo semiclásico de las propiedades de transporte: Objetivo En el estudio de las propiedades de transporte se usa una aproximación que se basa en los principios usado para el estudio de los electrones
Más detallesLANZAMIENTO DE FLECHA A JABALÍ EN MOVIMIENTO
LANZAMIENTO DE FLECHA A JABALÍ EN MOVIMIENTO Juan Pirotto, Christopher Machado, Eduardo Rodríguez INTRODUCCIÓN: El trabajo en síntesis se resume al análisis de un movimiento de proyectiles y uno rectilíneo
Más detallesTESIS DE MAESTRÍA: MODELACIÓN DE LA GENERACIÓN Y ATRACCIÓN DE VIAJES EN EL VALLE DE ABURRÁ 2006
ESCUELA DE INGENIERÍA CIVIL MAESTRÍA EN INGENIERÍA INFRAESTRUCTURA Y SISTEMAS DE TRANSPORTE TESIS DE MAESTRÍA: MODELACIÓN DE LA GENERACIÓN Y ATRACCIÓN DE VIAJES EN EL VALLE DE ABURRÁ 2006 CLAUDIA MARCELA
Más detallesIntervalos de confianza y contrastes de hipótesis. Intervalo de confianza de la media.
R PRÁCTICA IV Intervalos de confianza y contrastes de hipótesis Sección IV.1 Intervalo de confianza de la media. 44. Cargar (abrir) el conjunto de Datos Pulso.rda. Se pide: a) Calcular el de confianza
Más detallesOTRAS HERRAMIETAS ESTADISTICAS UTILES. Dra. ALBA CECILIA GARZON
OTRAS HERRAMIETAS ESTADISTICAS UTILES Dra. ALBA CECILIA GARZON Que es un Test de Significancia estadística? El término "estadísticamente significativo" invade la literatura y se percibe como una etiqueta
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesPROBLEMA DE PROGRAMACIÓN LINEAL RESUELTO POR MÉTODO SIMPLEX
Prof.: MSc. Julio Rito Vargas Avilés Planteamiento del problema: PROBLEMA DE PROGRAMACIÓN LINEAL RESUELTO POR MÉTODO SIMPLEX Una compañía de manufactura se dedica a la fabricación de tres productos: A,
Más detallesDEPARTAMENTOS EN LAS COMUNAS DE VIÑA DEL MAR, VALPARAÍSO Y CON CON
Volumen Nº 5, Número 8 INFORME DE ACTIVIDAD INMOBILIARIA Julio 2007 DEPARTAMENTOS EN LAS COMUNAS DE VIÑA DEL MAR, VALPARAÍSO Y CON CON Equipo editor Carlos Aguirre N. Académico Escuela de Construcción
Más detallesMedidas de centralización
1 1. Medidas de centralización Medidas de centralización Hemos visto cómo el estudio del conjunto de los datos mediante la estadística permite realizar representaciones gráficas, que informan sobre ese
Más detallesA. Menéndez Taller CES 15_ Confiabilidad. 15. Confiabilidad
15. Confiabilidad La confiabilidad se refiere a la consistencia de los resultados. En el análisis de la confiabilidad se busca que los resultados de un cuestionario concuerden con los resultados del mismo
Más detallesCampo Magnético en un alambre recto.
Campo Magnético en un alambre recto. A.M. Velasco (133384) J.P. Soler (133380) O.A. Botina (133268) Departamento de física, facultad de ciencias, Universidad Nacional de Colombia Resumen. Se hizo pasar
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesRepresentación en el espacio de estado. Sistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT
Representación en el espacio de estado Representación en espacio de estado Control clásico El modelado y control de sistemas basado en la transformada de Laplace, es un enfoque muy sencillo y de fácil
Más detallesMarzo 2012
Marzo 2012 http:///wpmu/gispud/ Para determinar la carga transferida a través del tiempo a un elemento, es posible hacerlo de varias formas: 1. Utilizando la ecuación de carga, evaluando en los tiempos
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesEl sistema a identificar es el conjunto motor eléctrico-freno siguiente:
Sistema a identificar El sistema a identificar es el conjunto motor eléctrico-freno siguiente: Relación entrada-salida Las variables de entrada-salida a considerar para la identificación del sistema es
Más detallesViernes 7 de octubre de 2005 Mate 3026 Estadística con Programación Prof. José N. Díaz Caraballo
Viernes 7 de octubre de 2005 Mate 3026 Estadística con Programación Prof. José N. Díaz Caraballo Favor de abrir el navegador Mozilla Firefox y escriba la siguiente dirección http://math.uprag.edu/area.mtw
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesAPÉNDICE I. Calibración de la señal cromatográfica como función de la concentración: Sistema Ternario
APÉNDICE I Calibración de la señal cromatográfica como función de la concentración: Sistema Ternario En este apéndice se muestra la información correspondiente a la elaboración de las diferentes curvas
Más detallesEstimación de la Productividad Total de Factores de Paraguay: mediciones alternativas
Estimación de la Productividad Total de Factores de Paraguay: mediciones alternativas Jesús Aquino Diciembre, 2015 Subsecretaría de Estado de Economía Dirección de Estudios Económicos I. Desempeño del
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesProcesos de Media Móvil y ARMA
Capítulo 4 Procesos de Media Móvil y ARMA Los procesos AR no pueden representar series de memoria muy corta, donde el valor actual de la serie sólo está correlado con un número pequeño de valores anteriores
Más detallesUNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,
Más detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
Más detallesTema 14: Sistemas Secuenciales
Tema 14: Sistemas Secuenciales Objetivos: (CONTADORES) Introducción. Características de los contadores. Contadores Asíncronos. Contadores Síncronos. 1 INTRODUCCIÓN Los contadores son sistemas secuenciales
Más detallesCurva de calibracion Calcio (Perkin Elmer 370)
Absorbancia UNIVERSIDAD INDSUTRIAL DE SANTANDER ESCUELA DE QUIMICA Laboratorio de Instrumentación Química I Grupo 2 (Jueves) Silvia Juliana Vesga Cód.: 2090143 Brandon Álvarez Sánchez Cód.: 2091650 Práctica
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesDISTRIBUCIONES BIDIMENSIONALES
La estadística unidimensional estudia los elementos de un conjunto de datos considerando sólo una variable o característica. Si ahora incorporamos, otra variable, y se observa simultáneamente el comportamiento
Más detallesLaboratorio de Física para Ingeniería
Laboratorio de para Ingeniería 1. Al medir la longitud de un cilindro se obtuvieron las siguientes medidas: x [cm] 8,45 8,10 8,40 8,55 8,45 8,30 Al expresar la medida en la forma x = x + x resulta: (a)
Más detallesEncuesta de. Ocupación Hotelera
Encuesta de Ocupación Hotelera - 1-1. Contenido 1. Contenido... 1 2. Introducción... 2 3. Resumen Ejecutivo... 2 4. Objetivos del Estudio... 3 4.1. General... 3 4.2. Específicos... 3 5. Distribución de
Más detallesMODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales
MODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales 3.1. En algunas reservas naturales se controla el número Y de ejemplares de cierta especie al
Más detallesCERTIFICADO DE EFICIENCIA ENERGÉTICA DE EDIFICIOS
CERTIFICADO DE EFICIENCIA ENERGÉTICA DE EDIFICIOS IDENTIFICACIÓN DEL EDIFICIO O DE LA PARTE QUE SE CERTIFICA: del edificio Dirección Municipio Código Postal Provincia Comunidad Autónoma Zona climática
Más detallesMETODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012
METODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012 Departamento de Pruebas Nacionales División de Evaluación de Logros de Aprendizaje AGENCIA DE CALIDAD DE LA EDUCACIÓN Índice 1.
Más detalles